London Stock Exchange Group Detecta Abuso de Mercado com Guia de Vigilância IA no Amazon Bedrock

TL;DR

A London Stock Exchange Group (LSEG) fez parceria com a AWS para aprimorar a detecção de insider trading usando um protótipo de IA generativa no Amazon Bedrock, com Claude Sonnet 3.5 da Anthropic.
O sistema analisa conteúdo de notícias regulatórias (RNS) em escala, processando cerca de 250.000 artigos de seis meses de 2023 para prever sensibilidade de preço e orientar a revisão dos analistas.
Uma estrutura de classificação em duas etapas, com etapas múltiplas e prompts otimizados, reduziu falsos positivos e ajudou analistas a priorizar casos de maior impacto.
A arquitetura do Bedrock oferece inferência de modelo escalável, governança integrada e implantação empresarial para vigilância de mercado.
Resultados iniciais mostram precisão notável, e a LSEG planeja expandir a solução para uso interno, aprimorando a eficiência e a consistência na detecção de abusos de mercado.

Contexto e antecedentes

A London Stock Exchange Group (LSEG) é um provedor global de dados de mercados financeiros, infraestrutura e software. Opera a London Stock Exchange e apoia mercados internacionais de ações, renda fixa e derivativos, além de oferecer dados em tempo real, serviços pós-negociação e software de mercados de capitais. Reguladores esperam que as equipes de vigilância de mercado acompanhem a evolução dos riscos em várias classes de ativos, venues e jurisdições, o que é um desafio dado o tamanho e a complexidade do ecossistema. O LSEG destaca que o negócio financeiro envolve mais de £1 trilhão em negociação de valores mobiliários por ano, com cerca de 400 membros. Diante da escala e da volatilidade, sistemas de vigilância precisam cobrir diversas classes de ativos MiFID, múltiplos mercados e jurisdições, além de considerar relacionamentos entre participantes do mercado. Muitos sistemas legados são baseados em regras desatualizadas, exigem trabalho manual e não atendem às expectativas regulatórias. Para enfrentar esses desafios, a LSEG colaborou com a AWS para melhorar a detecção de insider dealing, desenvolvendo um protótipo de IA generativa que prevê a probabilidade de sensibilidade de notícias. O sistema usa Claude Sonnet 3.5 via Amazon Bedrock para analisar conteúdo de notícias do RNS da LSEG e classificar artigos com base no impacto potencial no mercado. Essa abordagem visa apoiar os analistas a decidir rapidamente se a atividade destacada pode ser mitigada durante o período de observação.

O que há de novo

A solução AI-powered de vigilância da LSEG, alimentada pelo Amazon Bedrock, utiliza Claude Sonnet 3.5 da Anthropic. O foco é analisar notícias do RNS e classificá-las quanto ao seu potencial impacto no preço, guiando as decisões dos analistas. Os ganhos são alcançados por meio de uma arquitetura que combina ingestão de dados, inferência de modelo e suporte à decisão dos analistas, com o objetivo de reduzir o tempo de triagem e aumentar a confiabilidade. A equipe reuniu aproximadamente 250 mil artigos do RNS, abrangendo seis meses de 2023, para formar um conjunto de dados robusto. O conteúdo HTML bruto foi pré-processado para extrair o texto, eliminando elementos desnecessários. Em seguida, a equipe realizou análise exploratória para entender padrões de distribuição dentro do corpus de notícias, o que orientou a seleção de uma amostra representativa para avaliação. Para a avaliação, 110 artigos cobrindo categorias de notícias relevantes foram apresentados a analistas de vigilância de mercado, que avaliaram a sensibilidade de preço em uma escala de nove pontos. Esse conjunto de dados anotado por especialistas serviu como base para medir o desempenho da IA. Do ponto de vista técnico, os experimentos foram realizados no Amazon SageMaker, usando notebooks Jupyter para facilitar o desenvolvimento. A pilha técnica permitiu explorar abordagens: aprendizado supervisionado tradicional, engenharia de prompts com modelos de base e cenários de ajuste fino. A arquitetura de classificação em duas etapas visou maximizar a precisão, separando a identificação de sensibilidade de preço do julgamento de impacto de preço, com os resultados sendo combinados de acordo com regras pré-definidas. No aspecto de prompts, a equipe otimizou os templates para extrair três componentes-chave do modelo e, de forma deliberada, buscou maximizar classificações não sensíveis para reduzir escalonamentos desnecessários aos analistas humanos. A Bedrock oferece acesso seguro e escalável a modelos de base por meio de uma API unificada, permitindo aos LSEG iterar com mais liberdade enquanto mantém governança e conformidade. A arquitetura sem servidor facilita o dimensionamento dinâmico da capacidade de inferência de modelos conforme o volume de notícias, mantendo desempenho estável em períodos críticos de mercado. Monitoramento embutido e trilhas de auditoria sustentam desempenho confiável e conformidade regulatória.

Por que isso importa (impacto para desenvolvedores/empresas)

Para equipes de desenvolvimento e organizações, o projeto demonstra como construir uma vigilância de IA escalável em ambientes altamente regulados, preservando controles de segurança e governança. O Bedrock possibilita experimentar com modelos de base líderes sem necessidade de infraestrutura pesada, mantendo a conformidade regulatória e a privacidade de dados. Implicações-chave:

Monitoramento escalável com IA: inferência de modelos sem servidor permite ajustar-se a picos de volume de alertas sem comprometer a latência.
Produtividade de analistas: avaliação rápida de sensibilidade de notícias ajuda a priorizar casos de maior impacto.
Conformidade regulatória: trilhas de auditoria e governança integrada facilitam a conformidade e a responsabilização.
Iteração orientada por dados: framework de avaliação com participação humana permite melhorias rápidas na vigilância.

Detalhes técnicos ou Implementação

A arquitetura descrita pela LSEG envolve três componentes principais, conforme indicado nos diagramas originais. Embora o texto não liste exaustivamente os componentes, ele enfatiza um pipeline de ponta a ponta que integra ingestão de dados, inferência de modelo e suporte à decisão dos analistas. Dados e pré-processamento:

Conjunto de dados com ~250.000 artigos do RNS, cobrindo seis meses de 2023, armazenado no ambiente AWS.
HTML cru do RNS foi pré-processado para extrair conteúdo textual limpo para modelagem de NLP.
Análise exploratória ajudou a entender padrões de distribuição no corpus, orientando a seleção de amostras. Conjunto de avaliação e rotulagem:
Um subconjunto curado de 110 artigos foi selecionado para representar categorias relevantes de notícias.
Analistas de vigilância determinaram a sensibilidade de preço em escala de nove pontos, criando uma linha de base humana. Experimentação e modelagem:
Os experimentos ocorreram no Amazon SageMaker com notebooks Jupyter, permitindo comparação entre abordagens e métodos.
A pilha tecnológica suportou aprendizado supervisionado tradicional, engenharia de prompts com modelos de base e cenários de fine-tuning.
Uma classificação em duas etapas foi implementada para maximizar a precisão, separando detecção de sensibilidade de preço de avaliação de impacto, com a saída combinada conforme regras estabelecidas. Projeto de prompts e otimização:
Prompts foram ajustados para extrair três componentes-chave do modelo, com refinamento contínuo para aumentar a confiabilidade.
Os prompts foram otimizados com base no desempenho em relação à linha de base anotada por especialistas, buscando maior confiança em classificações de baixo risco. Implantação e governança:
O Amazon Bedrock oferece acesso seguro a Claude Sonnet 3.5 por meio de API unificada, com foco em segurança e auditoria.
A arquitetura sem servidor permite dimensionamento dinâmico durante picos de fluxo de notícias, mantendo desempenho estável.
Monitoramento e governança integrados ajudam na rastreabilidade das decisões do modelo para conformidade regulatória. Desempenho e resultados:
Ao longo de seis semanas de avaliação, a Surveillance Guide mostrou precisão notável no conjunto representativo.
O sistema atualmente envia alertas automáticos ao time de Supervisão de Mercado, com triagem de analistas para decidir se uma investigação completa é necessária, equilibrando velocidade com avaliação qualitativa.

Principais conclusões

Vigilância de mercado baseada em IA pode ser escalável e gerida com governança usando Amazon Bedrock e Claude Sonnet 3.5.
Uma abordagem de classificação em duas etapas com prompts otimizados pode reduzir falsos positivos mantendo a detecção de sinais relevantes.
Um grande conjunto de notícias regulatórias oferece base sólida para avaliar o desempenho da IA em condições reais.
Implantação sem servidor e APIs unificadas ajudam organizações a iterar rapidamente mantendo conformidade regulatória.
Analistas humanos continuam essenciais para investigações finais, mas a triagem guiada por IA aumenta eficiência e foco em casos de alto impacto.

FAQ

Quais problemas a LSEG aborda com a Guia de Vigilância?

necessidade de modernizar a vigilância de mercado para lidar com grandes volumes, táticas emergentes de abuso e altos índices de falsos positivos em abordagens baseadas apenas em regras.
uais modelos e serviços são usados?

Claude Sonnet 3.5 da Anthropic via Amazon Bedrock, com experimentos no Amazon SageMaker.
ue dados sustentam a avaliação?

Cerca de 250.000 artigos do RNS de seis meses de 2023, com um subconjunto de avaliação de 110 artigos anotados por especialistas.
Como o sucesso é medido?

nalistas classificaram a sensibilidade de preço em uma escala de nove pontos durante a avaliação; a classificação em duas etapas e a otimização de prompts contribuíram para maior precisão e menor taxa de falsos positivos.